論文の概要: How Noisy Poses Break Inverse Dynamics: Analysis and Mitigation for Video-Based Joint Torque Estimation

• arxiv url: http://arxiv.org/abs/2605.24776v1
• Date: Sat, 23 May 2026 23:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.428122
• Title: How Noisy Poses Break Inverse Dynamics: Analysis and Mitigation for Video-Based Joint Torque Estimation
• Title（参考訳）: 雑音が逆ダイナミクスを破る方法:ビデオベースジョイントトルク推定のための解析と緩和
• Authors: Donghyun Kim, Chanyoung Kim, Eunseo Jeong, Youngjoong Kwon, Seong Jae Hwang,
• Abstract要約: 本研究では,ポーズ推定ノイズが逆ダイナミクスパイプラインを通してどのように伝搬するかを系統的に解析する。 本研究は,(1)関節トルクの数値微分による計算において,ポーズノイズを約1000倍増幅し,(2)近位関節は遠位関節よりも騒音に最大10倍敏感であり,(3)低域通過フィルタは,この増幅を著しく低減する,という3つの重要な知見を提示する。
• 参考スコア（独自算出の注目度）: 13.892833449431862
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in monocular 3D human pose estimation enable accurate body tracking from video. However, translating these kinematic estimates into physical quantities, such as joint torques, remains challenging due to noise amplification through inverse dynamics. In this work, we provide a systematic analysis of how pose estimation noise propagates through the inverse dynamics pipeline. We present three key findings: (1) pose noise is amplified by approximately 1,000x when computing joint torques via numerical differentiation, (2) proximal joints (spine, hips) are up to 10x more sensitive to noise than distal joints (wrists, hands), and (3) low-pass filtering before differentiation substantially reduces this amplification. To enable this analysis, we develop SMPL-Dynamics, a fully differentiable inverse dynamics module for the SMPL body model that requires no external physics simulators. Our module supports end-to-end gradient computation, and we demonstrate this through differentiable pose refinement, which reduces torque error by 93% with negligible change in pose.
• Abstract（参考訳）: 近年のモノラルな3次元ポーズ推定の進歩は、ビデオからの正確な身体追跡を可能にしている。 しかし、これらのキネマティック推定を関節トルクなどの物理量に変換することは、逆動力学による雑音増幅のため、依然として困難である。 本研究では,ポーズ推定ノイズが逆ダイナミクスパイプラインを通してどのように伝搬するかを系統的に解析する。 本研究は,(1)関節トルクの数値微分による計算において,ポーズノイズを約1000倍に増幅し,(2)近位関節(背,腰)は遠位関節(首,手)よりも騒音に敏感であり,(3)低域フィルタリングでは,この増幅が大幅に減少することを示す。 この解析を実現するために,外部物理シミュレータを必要としないSMPLボディモデルのための,完全に微分可能な逆動力学モジュールであるSMPL-Dynamicsを開発した。 我々のモジュールは、エンドツーエンドの勾配計算をサポートし、これらを相違可能なポーズ改善により、ポーズの無視可能な変化でトルク誤差を93%低減することを示した。

関連論文リスト

• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Fractals made Practical: Denoising Diffusion as Partitioned Iterated Function Systems [0.0]
  DDIMの逆チェーンがPIFS(Partitioned Iterated Function System)として動作することを示す。 PIFSは、拡散モデルスケジュール、アーキテクチャ、および訓練目標を記述するための統一設計言語として機能する。
  論文  参考訳（メタデータ） (2026-03-13T15:15:50Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• SkelFormer: Markerless 3D Pose and Shape Estimation using Skeletal Transformers [57.46911575980854]
  マルチビュー人間のポーズと形状推定のための新しいマーカーレスモーションキャプチャパイプラインであるSkelFormerを紹介する。 提案手法は,まず市販の2次元キーポイント推定器を用いて,大規模インザミルドデータに基づいて事前トレーニングを行い,3次元関節位置を求める。 次に、重雑音観測から、関節の位置をポーズと形状の表現にマッピングする回帰に基づく逆運動性骨格変換器を設計する。
  論文  参考訳（メタデータ） (2024-04-19T04:51:18Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• Dynamic Inertial Poser (DynaIP): Part-Based Motion Dynamics Learning for Enhanced Human Pose Estimation with Sparse Inertial Sensors [17.3834029178939]
  本稿では,スパース慣性センサを用いた人間のポーズ推定手法を提案する。 さまざまなスケルトンフォーマットからの多様な実慣性モーションキャプチャデータを活用して、動作の多様性とモデル一般化を改善する。 このアプローチは、5つのパブリックデータセットにわたる最先端モデルよりも優れたパフォーマンスを示し、特にDIP-IMUデータセットのポーズエラーを19%削減する。
  論文  参考訳（メタデータ） (2023-12-02T13:17:10Z)
• Koopman pose predictions for temporally consistent human walking estimations [11.016730029019522]
  そこで我々は,下肢運動の非線形ダイナミクスを組み込んだクープマン理論に基づく新しい因子グラフ因子を提案する。 以上の結果から,本手法は骨格形状の外れ率を約1m削減し,自然歩行軌跡を最大10m以上保存できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-05T16:16:06Z)
• Deep-Learning Inversion Method for the Interpretation of Noisy Logging-While-Drilling Resistivity Measurements [1.2617078020344619]
  深層学習(DL)インバージョンは、坑井掘削時のロギングをリアルタイムに解釈するための有望な手法である。 測定ノイズがDLインバージョン結果に与える影響を調べる既存の出版物は少ない。 本研究では,LWD比抵抗測定のノイズが存在する場合に,DL逆解析手法の堅牢性を高めるための学習データセットを作成し,DLアーキテクチャを構築する方法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T01:44:20Z)
• Hamiltonian Dynamics for Real-World Shape Interpolation [66.47407593823208]
  我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。 本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
  論文  参考訳（メタデータ） (2020-04-10T18:38:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。